<![CDATA[Risiko kehamilan merupakan isu penting dalam kesehatan maternal yang berkontribusi pada tingginya angka kesakitan dan kematian ibu serta bayi, sehingga diperlukan metode analisis yang akurat untuk deteksi dini. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi tingkat risiko kehamilan dengan menggunakan K-Nearest Neighbor Imputation (KNNI) untuk menangani missing value dan LightGBM sebagai metode utama. Model dioptimalkan melalui uji parameter dan dievaluasi menggunakan Stratified K-Fold Cross-Validation (SKCV). Hasil penelitian menunjukkan bahwa model yang diusulkan mampu mencapai akurasi sebesar 97,64%, sehingga menunjukkan kinerja yang sangat baik dalam mengklasifikasikan tingkat risiko kehamilan. Dengan demikian, pendekatan yang digunakan memiliki potensi untuk dikembangkan sebagai sistem pendukung keputusan dalam bidang kesehatan maternal. Pregnancy risks are a critical issue in maternal health that contributes to high rates of maternal and infant morbidity and mortality; therefore, accurate analytical methods are needed for early detection. This study aims to develop and evaluate a pregnancy risk classification model using K-Nearest Neighbor Imputation (KNNI) to handle missing values and LightGBM as the primary method. The model was optimized through parameter tuning and evaluated using Stratified K-Fold Cross-Validation (SKCV). The results show that the proposed model achieved an accuracy of 97.64%, demonstrating excellent performance in classifying pregnancy risk levels. Thus, the approach used has the potential to be developed as a decision support system in the field of maternal health.]]>
